Lokasi dan Waktu Penelitian Jenis dan Sumber Data

Model yang dihasilkan dari regresi linear berganda haruslah baik, sehingga harus memenuhi kriteria BLUE Best Linear Unbiased Estimator. BLUE dapat dicapai bila memenuhi asumsi klasik. Uji asumsi klasik merupakan pengujian pada model yang telah berbentuk linear untuk mendapatkan model yang baik. Setelah model diregresikan kemudian dilakukan uji penyimpangan asumsi. a. Uji Normalitas Uji normalitas bertujuan untuk melihat model tersebut baik atau tidak. Model yang baik jika mempunyai distribusi normal atau hampir normal. Uji yang dapat digunakan adalah Uji Kolmogorov-Smirnov. Hipotesis pada uji Kolmogorov-Smirnov adalah sebagai berikut : H : Error term terdistribusi normal H 1 : Error term tidak terdistribusi normal Dengan kriteria uji : Jika P-value α maka tolak H Jika P-value α maka terima H Kelebihan dari uji ini adalah sederhana dan tidak menimbulkan perbedaan persepsi di antara satu pengamat dengan pengamat lain. Penerapan pada uji Kolmogrov-Smirnov adalah jika signifikansi di atas 5 persen berarti tidak terdapat perbedaan yang signifikan antara data yang di uji dengan data baku. b. Uji Autokorelasi Autokerelasi adalah adanya korelasi antara variabel itu sendiri, pada pengamatan berbeda waktu dan individu yang terjadi pada data time series. Terdapat beberapa cara yang dapat digunakan untuk mendeteksi ada tidaknya autokorelasi. Salah satunya adalah Uji Durbin Watson DW-test. Besarnya nilai statistik DW dapat diperoleh dengan rumus Nachrowi et all. 2002: ∑ ̂ ̂ ∑ .......................................................................................4.6 Dimana : d = Statistik Durbin-Watson u t dan u t-1 = Ganguan estimasi Pengambilan keputusannya : - Jika nilai DW terletak antara batas atau upper bound du dan 4-du, maka koefisien autokorelasi sama dengan nol, berarti tidak ada autkorelasi positif. - Jika nilai DW lebih rendah dari pada batas bawah atau lowne bound dl, maka koefisien autokorelasi lebih besar daripada nol, berarti ada autokorelasi positif. - Jika nilai DW lebih besar daripada 4-dl, maka koefisien autokorelasi lebih kecil daripada nol, berarti ada autokorelasi positif. - Jika nilai DW lebih kecil daripada 4-dl, maka koefisien autokorelasi lebih besar daripada nol, berarti ada autokorelasi negatif. - Jika nilai DW terletak diantara batas atas du dan batas bawah dl atau DW terletak antara 4-du dan 4-dl, maka hasilnya tidak dapat disimpulkan. c. Uji Multikolinearitas Jika suatu model regrasi berganda terdapat hubungan linear sempurna antar peubah bebas dalam model tersebut, maka dapat dikatakan model tersebut mengalami multikolinearitas. Terjadinya multikolinearitas menyebabkan R- squared tinggi namun tidak banyak variabel yang signifikan dari uji t. Uji Varian Invaction Factor VIF merupakan salah satu cara yang digunakan dalam metode ini. Hanya melihat apakah nilai VIF untuk masing-masing variabel lebih besar dari 10 atau tidak. Bila nilai VIF lebih besar dari 10 maka model tersebut mengalami multikolinearitas. Sebaliknya, jika VIF lebih kecil dari 10 maka model tersebut tidak mengalami multikolinearitas. d. Uji Heteroskedastisitas Menurut Juanda 2009, heteroskedastisitas terjadi jika ragam sisaan tidak sama untuk tiap pengamatan ke-i dari peubah-peubah bebas dalam model regresi yang biasanya terjadi dalam data cross section. Salah satu cara dalam mendeteksi heteroskedastisitas adalah dengan transformasi terhadap peubah respon dengan tujuan untuk menjadikan ragam homogeni pada peubah respon hasil transformasi tersebut. Selain itu, dapat juga dilakukan dengan uji Glejster yang dilakukan dengan meregresikan variabel-variabel bebas terhadap nilai residualnya Gujarati 2006. Jika nilai signifika n dari hasil uji Glejster lebih besar dari α maka tidak terdapat heteroskedastisitas dan sebaliknya.